đồ án máy học nâng cao + code

PHẦN III: TÀI LIỆU THAM KHẢO PHẦN I : GIỚI THIỆU A:Định nghĩa Gom cụm nhìn từ góc độ tự nhiên là một việc hết sức bình thường mà chúng ta vẫn làm và thực hiện hàng ngày ví dụ như phân lo

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN

KHOA KHOA HỌC MÁY TÍNH

- -BÁO CÁO ĐỒ ÁN

MÁY HỌC NÂNG CAO

ĐỀ TÀI: THUẬT TOÁN GOM CỤM K-MEANS

VÀ ỨNG DỤNG

GV hướng dẫn : Hồ Long Vân

SV thực hiện: Nguyễn Anh Duy – 12520103

………

……….

MỤC LỤC

PHẦN I : GIỚI THIỆU

PHẦN II: THUẬT TOÁN K-MEANS

2.1 - Giới thiệu về thuật toán K-MEANS………

2.2 - Thuật toán K-MEANS 2.3 – Demo thuật toán

2.4 - Ứng dụng của thuật toán K-MEANS 2.5 - Một số biến dạng của thuật toán K-MEAN

PHẦN III: TÀI LIỆU THAM KHẢO

PHẦN I : GIỚI THIỆU

A:Định nghĩa

Gom cụm nhìn từ góc độ tự nhiên là một việc hết sức bình thường mà chúng ta vẫn làm và thực hiện hàng ngày ví dụ như phân loại học sinh khá, giỏi trong lớp, phân loại đất đai, phân loại tài sản, phân loại sách trong thư viện… Việc phân loại này là thực hiện gom các đối tượng có cùng tính chất hay có các tính chất gần giống nhau thành nhóm Để thực hiện phân loại các đối tượng nào đó, chúng ta bao giờ cũng đặt câu hỏi, chúng ta phân nhóm dựa trên yếu tố nào? Hoặc chúng ta định phân thành bao nhiêu nhóm?

Một số ví dụ minh họa

Ví dụ về gom cụm ảnh

Hay trường hợp tổng quát

Ta phân hoạch các nhóm phần tử trong 1 tập hợp xác định vào các cụm khác nhau theo thuộc tính chung của các phần tử

Gom cụm

B Quá trình gom cụm :

- Là quá trình ta phân hoạch các đối tượng vào các cụm hoặc nhóm

- Các đối tượng trong một cụm,nhóm có đặc điểm giống nhau nhất so với các phần tử của nhóm,cụm khác

Trước khi thực hiện một quá trình gom cụm thì ta cần phải trả lời những câu hỏi sau

- Mỗi cụm nên có bao nhiêu phần tử

- Các phần tử nên được gom vào bao nhiêu cụm

- Bao nhiêu cụm nên được tạo ra

Quá trình gom cụm có thể được minh họa qua sơ đồ sau :

1.2 Các phương pháp gom cụm

A. Các yêu cầu tiêu biểu về việc gom cụm dữ liệu :

- Khả năng co giãn về tập dữ liệu (scalability)

- Khả năng xử lý nhiều kiểu thuộc tính khác nhau (different types of attributes)

- Khả năng khám phá các cụm với hình dạng tùy ý (clusters with arbitrary shape)

- Tối thiểu hóa yêu cầu về tri thức miền trong việc xác định các thông số nhập (domain knowledge for input parameters)

- Khả năng xử lý dữ liệu có nhiễu (noisy data)

- Khả năng gom cụm tăng dần và độc lập với thứ tự của dữ liệu nhập (incremental clustering and insensitivity to the order of input records)

- Khả năng xử lý dữ liệu đa chiều (high dimensionality)

- Khả năng gom cụm dựa trên ràng buộc (constraint-based clustering)

- Khả diễn và khả dụng (interpretability and usability)

B Các phương pháp gom cụm dữ liệu tiêu biểu :

- Phân hoạch (partitioning): các phân hoạch được tạo ra và đánh giá theo một tiêu chí nào đó

- Phân cấp (hierarchical): phân rã tập dữ liệu/đối tượng có thứ tự phân cấp theo một tiêu chí

- Dựa trên mật độ (density-based): dựa trên connectivity and density functions

- Dựa trên lưới (grid-based): dựa trên a multiple-level granularity structure

- Dựa trên mô hình (model-based): một mô hình giả thuyết được đưa ra cho mỗi cụm; sau đó hiệu chỉnh các thông số để mô hình phù hợp với cụm dữ liệu/đối tượng

Sơ đồ các thuật toán gom cụm

PHẦN II : THUẬT TOÁN K-MEANS 2.1 – Giới thiệu về thuật toán K-means :

Đây là thuật toán nổi tiếng và được sử dụng nhiều nhất trong hướng tiếp cận phân nhóm phân hoạch Thuật toán này có nhiều biến thể khác nhau nhưng được đưa ra đầu tiên

bởi J.B MacQueen vào năm 1967 Đầu vào của thuật toán này là một tập gồm n mẫu và một

số nguyên K Cần phân n đối tượng này thành K cụm sao cho sự giống nhau giữa các mẫu

trong cùng một cụm là cao hơn là giữa các đối tượng khác trong cụm khác

Tư tưởng của thuật toán này như sau: Đầu tiên chọn ngẫu nhiên K mẫu, mỗi mẫu này coi như biểu diễn 1 cụm, như vậy lúc này trong mỗi cụm thì đối mẫu đó cũng là tâm của cụm (hay còn gọi là nhân) Các mẫu còn lại được gán vào một nhóm nào đó trong K nhóm đã có

sao cho tổng khoảng cách từ nhóm mẫu đó đến tâm của nhóm là nhỏ nhất Sau đó tính lại tâm

cho các nhóm và lặp lại quá trình đó cho đến khi hàm tiêu chuẩn hội tụ Hàm tiêu chuẩn hay được dùng nhất là hàm tiêu chuẩn sai-số vuông Thuật toán này có thể áp dụng được đối với CSDL đa chiều, nhưng để dễ minh họa chúng tôi mô tả thuật toán trên dữ liệu hai chiều

2.2 – Thuật toán K-means :

Thuật toán k-means được mô tả cụ thể như sau:

Input: K, và dữ liệu về n mẫu của 1 CSDL.

Output: Một tập gồm K cluster sao cho cực tiểu về tổng sai-số vuông.

Thuật toán:

Bước 1: Chọn ngẫu nhiên K mẫu vào K cluster Coi tâm của cluster chính là mẫu có

trong cluster

Bước 2: Tìm tâm mới của cluster.

Bước 3: Gán (gán lại) các mẫu vào từng cluster sao cho khoảng cách từ mẫu đó đến

tâm của cluster đó là nhỏ nhất

Bước 4: Nếu các cluster không có sự thay đổi nào sau khi thực hiện bước 3 thì

chuyển sang bước 5, ngược lại sang bước 2

Bước 5: Dừng thuật toán.

Start Number of clusster K Centroid Distance objects to centroids Grouping based on minimum distance

No object move froup

End –

+

Mô tả thuật toán K-Means

Ví dụ: Giả sử trong không gian hai chiều, cho 12 điểm (n = 12) cần phân 12 điểm này thành

hai cluster (k=2)

Đầu tiên chọn hai điểm ngẫu nhiên vào hai cluster, giả sử chọn điểm (1,3) và điểm (9,4) (điểm

có màu đỏ trên hình 9.a)

Coi điểm (1,3) là tâm của cluster 1 và điểm (9,4) là tâm của cluster hai Tính toán khoảng cách từ các điểm khác đến hai điểm này và ta gán được các điểm còn lại này vào một trong hai cluster, những điểm có màu xanh lơ vào cluster 1, những điểm có màu xanh đậm vào cluster 2 (hình 9.b) Hiệu chỉnh lại tâm của hai cluster, điểm màu đỏ trên hình 9.c là tâm mới của hai cluster Tính lại các khoảng cách các điểm đến tâm mới và gán lại các điểm này, hình 9d Tiếp tục hiệu chỉnh lại tâm của hai cluster Cứ như thế lặp lại cho đến khi không còn sự thay đổi nữa thì dừng Khi đó ta thu được output của bài tóan

Hình Ví dụ minh họa thuật toán k-means

Ví dụ 2 :

Giả sử ta có 4 loại thuốc A,B,C,D, mỗi loại thuộc được biểu diễn bởi 2 đặc trưng X và Y như sau Mục đích của ta là nhóm các thuốc đã cho vào 2 nhóm (K=2) dựa vào các đặc trưng của chúng

object Feature 1 (X): weight index Feature 2 (X): pH

Bước 1 Khởi tạo tâm (centroid) cho 2 nhóm Giả sử ta chọn A là tâm của nhóm thứ nhất (tọa

độ tâm nhóm thứ nhất c1(1,1)) và B là tâm của nhóm thứ 2 (tạo độ tâm nhóm thứ hai c2 (2,1))

Bước 2 Tính khoảng cách từ các đối tượng đến tâm của các nhóm (Khoảng cách Euclidean)

Mỗi cột trong ma trận khoảng cách (D) là một đối tượng (cột thứ nhất tương ứng với đối tượng A, cột thứ 2 tương ứng với đối tượng B,…) Hàng thứ nhất trong ma trận khoảng cách biểu diễn khoảng cách giữa các đối tượng đến tâm của nhóm thứ nhất (c1) và hàng thứ 2 trong

ma trận khoảng cách biểu diễn khoảng cách của các đối tượng đến tâm của nhóm thứ 2 (c2)

Ví dụ, khoảng cách từ loại thuốc C=(4,3) đến tâm c1(1,1) là 3.61 và đến tâm c2(2,1) là 2.83 được tính như sau:

Bước 3 Nhóm các đối tượng vào nhóm gần nhất

Ta thấy rằng nhóm 1 sau vòng lặp thứ nhất gồm có 1 đối tượng A và nhóm 2 gồm các đối tượng còn lại B,C,D

Bước 4 Tính lại tọa độ các tâm cho các nhóm mới dựa vào tọa độ của các đối tượng trong nhóm Nhóm 1 chỉ có 1 đối tượng A nên tâm nhóm 1 vẫn không đổi, c1(1,1) Tâm nhóm 2 được tính như sau:

Bước 5 Tính lại khoảng cách từ các đối tượng đến tâm mới

Bước 6 Nhóm các đối tượng vào nhóm

Bước 7 Tính lại tâm cho nhóm mới

Bước 9 Tính lại khoảng cách từ các đối tượng đến tâm mới

Bước 10 Nhóm các đối tượng vào nhóm

Ta thấy G2 = G1 (Không có sự thay đổi nhóm nào của các đối tượng) nên thuật toán dừng và kết quả phân nhóm như sau:

Object Feature 1 (X):

weight index

Future 2 (X); pH Group (result)

Medicine A 1 1 1

Medicine B 2 1 1

Medicine C 4 3 2

Medicine D 5 4 2

Ưu điểm : - Dễ hiểu và cài đặt

Hạn chế : - Phụ thuộc vào số nhóm K chọn ban đầu

- Chi phí cho thực hiện vòng lặp tính toán khoảng cách lớn khi số cụm K và dữ liệu phân cụm lớn

2.3 - Demo của thuật toán K-Means

Mở project KmeansDemo từ visual studio

Đổi đường dẫn mới chạy được chương trình

Vào xem kết quả trong thư mục result Các đoạn text trong thư mục test đã được phân thành 3 cụm trong group_0,group_1,group_2

2.4 - Ứng dụng của thuật toán K-Means

Trong ví dụ này, tôi sẽ giới thiệu cách xây dựng một KnowledgeFlow để triển khai kỹ thuật phân cụm dựa trên thuật toán K-Means trên Data Mining Software WeKa

Link download: http://www.cs.waikato.ac.nz/ml/weka/downloading.html

Dữ liệu dùng để phân cụm trong ví dụ này là dữ liệu dùng để phân loại khách hàng của ngân hàng gồm có 11 thuộc tính và 600 khách hàng (file bank.arff).Nhiệm vụ của chúng

ta là dùng thuật toán K-Means để phân nhóm các khách hàng vào K nhóm (trong ví dụ này K=5) dựa vào sự tương tự (similar) trên 11 thuộc tính của họ

Ta xây dựng một KnowledgeFlow trong WeKa như sau:

Thiết lập các tham số cho thuật toán K-Means như số cụm (trong ví dụ này K=5), Cách tính khoảng cách (trong ví dụ này dùng khoảng cách Euclidean),…

Kết quả phân cụm chi tiết như sau:

2.5 - Một số biến dạng của thuật toán K-Means :

- Phương pháp k- medoids;

- Phương pháp Fuzzy c-mean;

- Phương pháp Incremental K-Means;

TÀI LIỆU THAM KHẢO

http://bis.net.vn/forums/t/374.aspx?PageIndex=1 http://en.wikipedia.org/wiki/K-means_clustering